书籍详情
深度学习进阶：卷积神经网络和对象检测
作者：翁贝托·米凯卢奇（Umberto Michelucci） 著，陶阳 李亚楠译 译
出版社：机械工业出版社
出版时间：2020-07-01
ISBN：9787111660927
定价：¥79.00
购买这本书可以去
内容简介
本书介绍卷积神经网络的核心——错综复杂的细节和算法的微妙之处。主要包括卷积神经网络的高级主题和使用Keras和TensorFlow的对象检测。
作者简介
暂缺《深度学习进阶：卷积神经网络和对象检测》作者简介
目录
前言
致谢
第1章 简介和设置开发环境 1
1.1 GitHub存储库和配套网站 2
1.2 必备的数学知识 3
1.3 Python开发环境 3
1.3.1 Google Colab 4
1.3.2 Anaconda 6
1.3.3 Docker映像 14
1.3.4 你选择哪个选项 18
第2章 TensorFlow：高级主题 20
2.1 Eager Execution简介 21
2.1.1 启用Eager Execution 21
2.1.2 Eager Execution多项式拟合 22
2.1.3 应用Eager Execution 的MNIST数据分类 26
2.2 TensorFlow和Numpy兼容性 30
2.3 硬件加速 30
2.3.1 检测GPU的可用性 30
2.3.2 设备名称 31
2.3.3 显式设备使用 32
2.3.4 GPU加速器演示：矩阵乘法 33
2.3.5 MNIST示例上的GPU加速效果 34
2.4 仅特定层训练 36
2.4.1 仅特定层训练示例 37
2.4.2 层移除 40
2.5 Keras回调函数 42
2.5.1 自定义回调类 42
2.5.2 自定义回调类示例 44
2.6 模型存储与加载 47
2.6.1 手动保存权重 52
2.6.2 保存整个模型 53
2.7 数据集抽象类 53
2.7.1 遍历数据集 55
2.7.2 简单批处理 56
2.7.3 使用MNIST数据集进行简单批处理 57
2.7.4 在Eager Execution模式下使用tf.data.Dataset 60
2.8 本章小结 60
第3章 卷积神经网络的基础 61
3.1 核和过滤器 61
3.2 卷积 62
3.3 卷积示例 71
3.4 池化 77
3.5 CNN的构建基块 81
3.5.1 卷积层 82
3.5.2 池化层 83
3.5.3 叠加层 84
3.6 CNN的权重数量 84
3.6.1 卷积层 84
3.6.2 池化层 85
3.6.3 稠密层 85
3.7 CNN的示例：MNIST数据集 85
3.8 CNN学习的可视化 89
3.8.1 keras.backend.function()简介 89
3.8.2 核的作用效果 91
3.8.3 最大池化的作用效果 93
第4章 高级CNN与迁移学习 95
4.1 多通道卷积 95
4.2 初始网络的历史和基础 98
4.2.1 初始模块：初始版本 99
4.2.2 初始模块中的参数数量 100
4.2.3 具有降维功能的初始模块 100
4.3 多种成本函数：GoogLeNet 102
4.4 Keras中的初始模块示例 103
4.5 偏离：Keras中的自定义损失 106
4.6 如何使用预先训练过的网络 108
4.7 迁移学习简介 111
4.8 猫狗问题 114
4.8.1 迁移学习的经典方法 114
4.8.2 迁移学习实验 120
第5章 成本函数与风格转换 123
5.1 神经网络模型的构成 123
5.1.1 训练被视为优化问题 124
5.1.2 具体示例：线性回归 125
5.2 成本函数 126
5.2.1 数学符号 126
5.2.2 典型成本函数 127
5.3 神经风格转换 134
5.3.1 神经风格转换背后的数学原理 135
5.3.2 Keras中的图像风格转换示例 139
5.3.3 使用神经风格转换生成剪影 145
5.3.4 masking 146
第6章 对象分类简介 148
6.1 什么是对象定位 148
6.1.1 重要的可用数据集 150
6.1.2 交并比 152
6.2 一种简单的对象定位方法：滑动窗口法 153
6.3 分类和定位 159
6.4 基于区域的卷积神经网络 161
6.5 快速R-CNN 164
6.6 更快的R-CNN 165
第7章 对象定位：基于Python的实现 167
7.1 YOLO方法 167
7.1.1 YOLO工作机制 168
7.1.2 YOLOv2 170
7.1.3 YOLOv3 171
7.1.4 非极大值抑制 171
7.1.5 损失函数 172
7.2 YOLO在Python和OpenCV中的实现 173
7.2.1 YOLO的Darknet实现 173
7.2.2 应用Darknet测试对象检测 175
7.3 为特定图像训练YOLO模型 180
7.4 本章小结 181
第8章 组织学组织分类 183
8.1 数据分析和准备 184
8.2 建立模型 192
8.3 数据增强 201
8.3.1 水平和垂直移动 202
8.3.2 垂直翻转图像 203
8.3.3 随机旋转图像 204
8.3.4 图像缩放 205
8.3.5 综合操作 206
8.4 带有数据增强的VGG16 206
8.4.1 fit()函数 207
8.4.2 fit_generator()函数 207
8.4.3 train_on_batch()函数 208
8.4.4 训练网络 208
8.5 现在好好享受 209
致谢
第1章 简介和设置开发环境 1
1.1 GitHub存储库和配套网站 2
1.2 必备的数学知识 3
1.3 Python开发环境 3
1.3.1 Google Colab 4
1.3.2 Anaconda 6
1.3.3 Docker映像 14
1.3.4 你选择哪个选项 18
第2章 TensorFlow：高级主题 20
2.1 Eager Execution简介 21
2.1.1 启用Eager Execution 21
2.1.2 Eager Execution多项式拟合 22
2.1.3 应用Eager Execution 的MNIST数据分类 26
2.2 TensorFlow和Numpy兼容性 30
2.3 硬件加速 30
2.3.1 检测GPU的可用性 30
2.3.2 设备名称 31
2.3.3 显式设备使用 32
2.3.4 GPU加速器演示：矩阵乘法 33
2.3.5 MNIST示例上的GPU加速效果 34
2.4 仅特定层训练 36
2.4.1 仅特定层训练示例 37
2.4.2 层移除 40
2.5 Keras回调函数 42
2.5.1 自定义回调类 42
2.5.2 自定义回调类示例 44
2.6 模型存储与加载 47
2.6.1 手动保存权重 52
2.6.2 保存整个模型 53
2.7 数据集抽象类 53
2.7.1 遍历数据集 55
2.7.2 简单批处理 56
2.7.3 使用MNIST数据集进行简单批处理 57
2.7.4 在Eager Execution模式下使用tf.data.Dataset 60
2.8 本章小结 60
第3章 卷积神经网络的基础 61
3.1 核和过滤器 61
3.2 卷积 62
3.3 卷积示例 71
3.4 池化 77
3.5 CNN的构建基块 81
3.5.1 卷积层 82
3.5.2 池化层 83
3.5.3 叠加层 84
3.6 CNN的权重数量 84
3.6.1 卷积层 84
3.6.2 池化层 85
3.6.3 稠密层 85
3.7 CNN的示例：MNIST数据集 85
3.8 CNN学习的可视化 89
3.8.1 keras.backend.function()简介 89
3.8.2 核的作用效果 91
3.8.3 最大池化的作用效果 93
第4章 高级CNN与迁移学习 95
4.1 多通道卷积 95
4.2 初始网络的历史和基础 98
4.2.1 初始模块：初始版本 99
4.2.2 初始模块中的参数数量 100
4.2.3 具有降维功能的初始模块 100
4.3 多种成本函数：GoogLeNet 102
4.4 Keras中的初始模块示例 103
4.5 偏离：Keras中的自定义损失 106
4.6 如何使用预先训练过的网络 108
4.7 迁移学习简介 111
4.8 猫狗问题 114
4.8.1 迁移学习的经典方法 114
4.8.2 迁移学习实验 120
第5章 成本函数与风格转换 123
5.1 神经网络模型的构成 123
5.1.1 训练被视为优化问题 124
5.1.2 具体示例：线性回归 125
5.2 成本函数 126
5.2.1 数学符号 126
5.2.2 典型成本函数 127
5.3 神经风格转换 134
5.3.1 神经风格转换背后的数学原理 135
5.3.2 Keras中的图像风格转换示例 139
5.3.3 使用神经风格转换生成剪影 145
5.3.4 masking 146
第6章 对象分类简介 148
6.1 什么是对象定位 148
6.1.1 重要的可用数据集 150
6.1.2 交并比 152
6.2 一种简单的对象定位方法：滑动窗口法 153
6.3 分类和定位 159
6.4 基于区域的卷积神经网络 161
6.5 快速R-CNN 164
6.6 更快的R-CNN 165
第7章 对象定位：基于Python的实现 167
7.1 YOLO方法 167
7.1.1 YOLO工作机制 168
7.1.2 YOLOv2 170
7.1.3 YOLOv3 171
7.1.4 非极大值抑制 171
7.1.5 损失函数 172
7.2 YOLO在Python和OpenCV中的实现 173
7.2.1 YOLO的Darknet实现 173
7.2.2 应用Darknet测试对象检测 175
7.3 为特定图像训练YOLO模型 180
7.4 本章小结 181
第8章 组织学组织分类 183
8.1 数据分析和准备 184
8.2 建立模型 192
8.3 数据增强 201
8.3.1 水平和垂直移动 202
8.3.2 垂直翻转图像 203
8.3.3 随机旋转图像 204
8.3.4 图像缩放 205
8.3.5 综合操作 206
8.4 带有数据增强的VGG16 206
8.4.1 fit()函数 207
8.4.2 fit_generator()函数 207
8.4.3 train_on_batch()函数 208
8.4.4 训练网络 208
8.5 现在好好享受 209
猜您喜欢
